Característica do sinal dos sensores MOS

O sensor permite converter a variação da condutância elétrica em um sinal de tensão analógico de 0 V à 5 V. A seletividade do nariz eletrônico pode ser aprimorada em parte utilizando-se uma matriz com diferentes sensores parcialmente seletivos. Outros fatores são a temperatura e a umidade ambiente que influenciam o sinal (drift) produzindo efeitos na linha de base e achatamento do sinal no estado transiente (TIAN et al., 2016). Tem-se representado na Figura 5 um sinal característico de um sensor MOS.

Figura 5 – Característica do sinal proveniente de um sensor MOS amplamente utilizado em nariz eletrônico.

Fonte. Pearce et al., 2003.

Observa-se na Figura 5 que as características da amostra estão contidas na parte transiente do sinal que pode ser dividida em duas partes, na amplitude de subida (gás on) e na purga com ar ambiente ou outro gás para retirar a amostra (gás off). Portanto, além da temperatura e umidade ambiente, os tempos de injeção da amostra e purga para “limpar” os sensores são fundamentais para a construção correta das características mais relevantes.

Yan et al. (2015), revisam as principais formas de tratamento de sinal e sugerem os três pilares de otimização de um nariz eletrônico. A escolha dos sensores certos para cada aplicação, o método de extração de características e o método de reconhecimento de padrões para a interpretação correta dos dados são essenciais para conclusões pertinentes sobre a amostra.

3.7.1. Pré-Tratamento e Extração de Características

A transformação do sinal visa retirar ou diminuir interferências geralmente produzidas pelo próprio equipamento durante a aquisição de dados (ruído) que não constituem o sinal verdadeiro. Existem diversas métodos de alisamento ou filtragem do sinal que podem ampliar pequenos picos escondidos pelo ruído ou comprimir interferências não desejáveis, cada um com sua particularidade. Dois métodos de alisamento do sinal das amostras são bastante difundidos pelos bons resultados frente a simples aplicação de um algoritmo (FERREIRA, 2015).

A média móvel é baseada em uma janela (segmento ou parte do sinal composto por um número ímpar de pontos percorrido do começo ao fim) com ponto

central equidistante tanto a direita como a esquerda do sinal. O algoritmo percorre variável por variável realizando uma média aritmética do sinal apenas com a parte da esquerda da janela até que todo sinal seja alisado. Devido ao cálculo das médias o número de variáveis é reduzido e irá depender do tamanho da janela. Logo, quando determinado o tamanho da janela este deve ser aplicado para todo o conjunto das amostras no intuito de manter a mesma dimensionalidade (GOLESTAN et al., 2014; FERREIRA, 2015).

O alisamento pelo método de Savitzky-Golay opera de forma semelhante à média móvel, contudo, em cada janela realiza-se um ajuste polinomial cuja a resposta substituirá o ponto central da janela. Portanto, para este método o binômio tamanho da janela e grau do polinômio são fundamentais para um alisamento adequado. Quanto menor o grau do polinômio mais ruído será eliminado, todavia, informação relevante do sinal pode ser eliminada junto. Já a relação do tamanho da janela é inversa, quanto maior o número de pontos que compõem a janela mais distorcido ficará o sinal (SAVITZKY; GOLAY, 1964; FERREIRA, 2015).

Após o alisamento do sinal é necessário corrigir a linha de base para o aumento da relação sinal/ruído. A primeira derivada corrige este deslocamento, no eixo das ordenadas, para a origem do eixo já que a derivada de uma constante é zero. Já a segunda derivada corrige as inclinações destes erros, contudo, deve ser usado com parcimônia, pois pode ocorrer achatamento do sinal. As derivadas podem ser calculadas a partir do algoritmo Savitzky-Golay com base no polinômio desejado (SAVITZKY; GOLAY, 1964; FERREIRA, 2015).

Na extração de características o objetivo é literalmente extrair o máximo de informação relevante com a menor redundância possível já que o sinal parte de uma matriz de sensores parcialmente seletivos. Do ponto de vista matemático ocorre a correção de linha de base que prepara o conjunto de dados para o reconhecimento de padrão ou quantificação de compostos (DISTANTE et al., 2002; YAN et al., 2015). A Tabela 1 contém as alternativas mais utilizadas como pré-processamento do sinal. Como cada sensor possui um valor diferente de linha de base é necessário corrigi-las para que tenham início no mesmo ponto.

Tabela 1 – Métodos de extração das características mais utilizados na literatura Método Fórmula Diferença 𝑥 = 𝑅𝑠− 𝑅0 Relativo 𝑥 = 𝑅_𝑠/𝑅₀ Autoescalamento 𝑥 = (𝑅𝑠− 𝑅0)/𝑅0 Logaritmo 𝑥 = 𝑙𝑛(𝑅_𝑠/ 𝑅₀)

Onde: 𝑥 é o sinal de saída tratado, 𝑅𝑠 resistência de detecção e 𝑅0 resistência inicial.

Fonte: (PARDO et al., 2000; DISTANTE et al., 2002; CARMEL et al., 2003; PEARCE et al., 2003).

A aplicação de cada método depende da característica da amostra, tipo de sensor MOS utilizado, condições de amostragem, qual objetivo para a análise multivariada (reconhecimento de padrão ou regressão). O método pela diferença é utilizado para eliminar erros aditivos que alteram a linha de base no estado estacionário. Caso o erro seja multiplicativo ou os sensores tenham alta sensibilidade o método relativo traz melhores resultados. Quando o ar é a referência da linha de base e não um gás inerte específico a estabilidade da linha de base não é garantido e o autoescalamento pode ser utilizado. O método logaritmo torna-se mais viável quando a variação da concentração entre amostras é muito grande (DISTANTE et al., 2002; YAN et al., 2015).

A extração de características é objetivo de linhas de pesquisas inteiras e diversos outros métodos podem ser encontrados na literatura. Encontram-se reportados o uso da área abaixo da curva, primeira e segunda derivadas, ajuste de modelos polinomiais, relações de razão do sinal em função do tempo de amostragem e tempo de purga, transformada de Fourier e ondaletas (DISTANTE et al., 2002; FERREIRA, 2015; YAN et al., 2015).

3.7.2. Análise Multivariada e Reconhecimento de Padrões

Métodos lineares de compressão de dados para análise exploratória dos dados (PCA) e regressão por mínimos quadrados parciais (PLSR) são amplamente aplicados à dados de nariz eletrônico. As redes neurais artificiais (RNA) são baseadas em observações estatísticas e têm grande valia para a análise de reconhecimento de padrões pois conseguem avaliar relações não-lineares mesmo em um conjunto complexo de dados com muitas amostras e variáveis (LINK et al., 2014). Recentemente a análise multitabela ComDim tem ganhado destaque na capacidade

correlacionar as informações similares e distintas obtidas a partir de diferentes análises (CARIOU et al., 2017).